Heuristic estimation of river bathymetry in braided streams using digital image processing
Notice bibliographique
Résumé
Abstract Measurement of river bathymetry has been revolutionized by high‐resolution remote sensing that combines UAV platforms with SfM‐MVS photogrammetry. Mapping inundated and exposed areas simultaneously are possible using either two‐media refraction correction or some form of the Beer–Lambert Law to estimate water depths. If, as in turbid glacially‐fed braided streams, the bed is not visible then traditional survey techniques (e.g. differential GPS systems) are required. As an alternative, here we test whether the spatial distribution of water depths in a shallow braided stream can be modelled from basic planimetric data and used to estimate inundated zone bathymetry. We develop heuristic rules using; (1) distance from the nearest river bank; (2) total inundated width along a line tangential to the local flow direction; (3) local curvature magnitude and direction; and distance from the nearest flow (4) divergence and (5) convergence regions. We parameterize them using a sample of measured water depths in stepwise multiple linear regressions and validate them using independent data. Resulting water depth distribution maps explain between 50% and 60% of the measured water depth spatial variability when compared to independent data. After incorporating modelled water depths into digital elevation models (DEMs) of exposed areas, we show that the developed method is suitable for volumetric change calculations in both dry and inundated areas.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».